【Python+Stata】豪斯曼检验:固定效应or随机效应?
文章目录
- 一、Python实现
- (一)获取面板数据
- (二)固定效应模型
- (三)随机效应模型
- (四)豪斯曼检验
- 二、Stata实现
- (一)获取面板数据
- (二)固定效应模型
- (三)随机效应模型
- (四)豪斯曼检验
本文研究陈强《计量经济学及Stata应用》12.13案例的python及stata实现。lin_1992dta数据集链接:链接:https://pan.baidu.com/s/10WAjBbZgL4NzZV69JbgbZw 提取码:d0dx
一、Python实现
(一)获取面板数据
import numpy as np
import linearmodels as plm
import scipy.stats as stats
import pandas as pdlin =pd.read_stata(r'C:\Users\mi\Documents\stata\lin_1992.dta')
lin = lin.set_index(['province', 'year'], drop=False)
(二)固定效应模型
reg_fe = plm.PanelOLS.from_formula(formula='ltvfo ~1 +ltlan + ltwlab + ltpow + ltfer + hrs + mci+ ngca + EntityEffects',data=lin)
results_fe = reg_fe.fit()
(三)随机效应模型
reg_re = plm.RandomEffects.from_formula(formula='ltvfo ~1 +ltlan + ltwlab + ltpow + ltfer + hrs + mci+ ngca', data=lin)
results_re = reg_re.fit()
(四)豪斯曼检验
b_fe = results_fe.params
b_re = results_re.params
b_diff = b_fe - b_re
v_fe = results_fe.cov
v_re = results_re.cov
v_diff = v_fe - v_re
df = len(b_fe)table = pd.DataFrame({'FE':b_fe,'RE':b_re,'Difference':b_diff,'sqrt(diag(v_fe-v_re))':np.sqrt(np.diag(v_diff))})
chi2 = np.dot(b_diff.T, np.linalg.inv(v_diff).dot(b_diff))
pval = 1 - stats.chi2.cdf(chi2, df)print(table)
print()
print(f'chi-Squared: {chi2:.2f}')
print(f'degrees of freedom: {df}')
print(f'p-Value:{pval:.5f}')
结果为:
FE RE Difference sqrt(diag(v_fe-v_re))
Intercept 2.310114 2.387878 -0.077764 0.178212
hrs 0.207582 0.218610 -0.011028 NaN
ltfer 0.176277 0.188274 -0.011997 0.004112
ltlan 0.639966 0.565591 0.074374 0.043153
ltpow 0.077160 0.060477 0.016683 0.001574
ltwlab 0.123993 0.144184 -0.020192 0.009747
mci 0.258036 0.470237 -0.212201 0.052192
ngca 0.772279 0.674517 0.097762 0.046883chi-Squared: 48.68
degrees of freedom: 8
p-Value:0.00000
二、Stata实现
(一)获取面板数据
use C:\Users\mi\Documents\stata\lin_1992.dta,clear
xtset province year
结果为:
Panel variable: province (strongly balanced)Time variable: year, 70 to 87Delta: 1 unit
(二)固定效应模型
xtreg ltvfo ltlan ltwlab ltpow ltfer hrs mci ngca,fe
estimates store FE
(三)随机效应模型
xtreg ltvfo ltlan ltwlab ltpow ltfer hrs mci ngca,re
estimates store RE
(四)豪斯曼检验
由于传统的豪斯曼检验假设球形扰动项,故在进行固定效应与随机效应的估计时,均不使用异方差或聚类稳健的标准误。
hausman FE RE,constant
其中,选择项“constant”表示在比较系数估计值时包括常数项(默认不包括常数项)
结果为:
---- Coefficients ----| (b) (B) (b-B) sqrt(diag(V_b-V_B))| FE RE Difference Std. err.
-------------+----------------------------------------------------------------ltlan | .6399658 .5655915 .0743743 .0431529ltwlab | .1239927 .1441844 -.0201917 .009747ltpow | .0771604 .060477 .0166834 .001574ltfer | .1762775 .1882741 -.0119966 .0041117hrs | .2075817 .2186096 -.0110279 .mci | .2580359 .4702368 -.2122009 .052192ngca | .7722795 .6745175 .097762 .0468832_cons | 2.310114 2.387878 -.0777638 .178212
------------------------------------------------------------------------------b = Consistent under H0 and Ha; obtained from xtreg.B = Inconsistent under Ha, efficient under H0; obtained from xtreg.Test of H0: Difference in coefficients not systematicchi2(8) = (b-B)'[(V_b-V_B)^(-1)](b-B)= 48.68
Prob > chi2 = 0.0000
(V_b-V_B is not positive definite)
由于p指为0.00000,故强烈拒绝原假设,认为应该使用固定效应模型,而非随机效应模型。
但是很多时候计算出的 sqrt(diag(Vb−VB))sqrt(diag(V_b-V_B))sqrt(diag(Vb−VB))可能为负,使用sigmamore选项,表示统一使用随机效应估计量的方差估计,可以大大减少出现负值的可能性。
使用sigmamore选项,我不知道怎么在python中实现,可能还是不懂sigmamore的实现原理。先mark一下,以后再更新。
hausman FE RE,constant sigmamore
结果为:
---- Coefficients ----| (b) (B) (b-B) sqrt(diag(V_b-V_B))| FE RE Difference Std. err.
-------------+----------------------------------------------------------------ltlan | .6399658 .5655915 .0743743 .0476709ltwlab | .1239927 .1441844 -.0201917 .0125808ltpow | .0771604 .060477 .0166834 .0081232ltfer | .1762775 .1882741 -.0119966 .0078425hrs | .2075817 .2186096 -.0110279 .0052769mci | .2580359 .4702368 -.2122009 .0583709ngca | .7722795 .6745175 .097762 .0828671_cons | 2.310114 2.387878 -.0777638 .2078242
------------------------------------------------------------------------------b = Consistent under H0 and Ha; obtained from xtreg.B = Inconsistent under Ha, efficient under H0; obtained from xtreg.Test of H0: Difference in coefficients not systematicchi2(8) = (b-B)'[(V_b-V_B)^(-1)](b-B)= 48.49
Prob > chi2 = 0.0000
(V_b-V_B is not positive definite)
【Python+Stata】豪斯曼检验:固定效应or随机效应?相关推荐
- stata豪斯曼检验报错
xsmle gdp gt cz gdzc ersan ur,model(sdm) wmat(Wzhusj) hausman nolog Warning: All regressors will be ...
- 豪斯曼检验matlab,面板工具变量与内生性操作及应用(固定随机、豪斯曼检验、过度识别检验、预测等)...
原标题:面板工具变量与内生性操作及应用(固定随机.豪斯曼检验.过度识别检验.预测等)
- stata中的SDM模型、豪斯曼检验
global ylist y global xlist x1 x2 x3 x4 x5 x6 x7 x8 xtset id year **SDM模型 xsmle $ylist $xlist,wmat(w ...
- 豪斯曼检验matlab,豪斯曼检验、空间面板模型选择等问题
各位大神,本人空间计量小白,最近看了姜磊老师的书,自己也进行了实证分析.有一些问题不太懂: 1.空间面板数据模型分为混合空间面板数据模型.空间固定效应空间面板数据模型.时间固定效应空间面板模型.空间和 ...
- suest:跨模型比较与广义豪斯曼检验
全文阅读:https://www.lianxh.cn/news/f12a9bcc6cc39.html 目录 1. 理论回顾 1.1 suest 的基准模型 1.2 `suest` 的假设检验 2. s ...
- R语言做面板模型的豪斯曼检验
Hausman 检验(有时也称为 Durbin-Wu-Hausman 检验)基于两个不同模型的系数向量的差异.该panelmodel方法基于二次形式计算测试的原始版本(Hausman 1978). & ...
- 时间固定效应和个体固定效应的选择_互助问答第31期:固定效应与随机效应选择和面板数据处理...
样本描述:各位老师好,我的论文采用的是微观面板非平衡数据(合并了3波数据,总观测值6万左右),每波观测之间约有20%的样本不同(约10%的样本流失,10%的新样本补入),因变量是连续变量,核心自变量是 ...
- 随机效应估算与固定效应估算_一般混合线性模型固定效应、随机效应与另一随机向量的联合估计...
一般混合线性模型固定效应.随机效应与另一随机向量的 联合估计 周永正 [期刊名称] <数学的实践与认识> [年 ( 卷 ), 期] 2011(041)019 [摘要] 讨论一般混合线性模型 ...
- 面板数据回归模型(固定效应、随机效应、混合回归、变系数)、面板数据AR、VAR模型
- Stata——固定效应模型、随机效应模型、混合效应模型(区别、实例)
目录 1 固定效应模型概念(Fixed Effects Model) 1.1 stata命令 1.1.1 LSDV法(Least squares dummy variable) 1.1.2 固定效应 ...
最新文章
- 【sping揭秘】6、IOC容器之统一资源加载策略
- 给算法工程师和研究员的「霸王餐」| 附招聘信息
- python Intel Realsense D435 图像自动采集程序 自动剔除模糊图像
- kotlin学习笔记——扩展函数(anko)和网络请求
- 《朝花夕拾》金句摘抄(三)
- SpringMVC视图解析器(转)
- python树莓派串口通信实例_树莓派通过串口发送数据
- Android IOS WebRTC 音视频开发总结(六二)-- 大数据解密国外实时通讯行业开发现状...
- Git学习笔记:一台电脑上配置两个git账户
- 后台java规范参数_详解Java后端优雅验证参数合法性
- 小米笔记本桌面计算机图标,小米笔记本桌面锁定怎么解除
- 深度学习的深度和宽度的理解
- Shell批量解压tar.gz压缩包(转)
- SAEJ3061汽车信息安全指南文档
- sql 创建学生表 课程表 成绩表
- VScode 无法保存,文件内容较新
- 视频前景提取 (III)【Mat版本】
- QQ隐藏福利一------------------------文件极速下载
- 关于罗德里格斯公式(Rodrigues‘sFormula)的详细推导过程
- matlab21世纪论坛,compressive sensing 压缩感知(转) 21世纪最火的研究方向
热门文章
- python alpha通道_Python Pillow v2.6.0 paletted PNG(256)如何添加Alpha通道?
- 图像处理的Alpha通道
- 【Java EE 学习第21天 使用易宝支付接口实现java网上支付功能】
- 微信支付之Native扫码支付功能
- 带壳截图 android,给手机截屏带个「套」:带壳截图应用合辑
- c 语言编程字谜,字谜游戏(a)C语言
- Python人工智能学习路线(长篇干货)
- pandas 取每天某个时刻的数据
- BuBu笔记——Mybatis深入(秃头BUBu的超详细备注,一定要看哦)
- 全国哀悼日网站变灰代码